llm_chess 开源基准用多轮对弈评测 LLM 推理与指令遵循

maxim-saplin 在 GitHub 开源了 LLM Chess 基准，让 LLM 通过多轮对话下国际象棋，评估推理与指令遵循能力，支持对战 Random Player 或 Komodo Dragon 引擎。基准发现 2024 年早期模型常幻觉出非法着法，2025 年的 o1、o3、o4-mini 等推理模型已饱和随机对手评测，因此加入 Dragon 以 Elo 锚定；指标将棋力（Win/Loss、Elo）与对话稳定性（Game Duration）分开。